연구원들은 소리를 식별할 수 있는 재료를 개발하여 자동 운전 자동차 센서에 응용할 수 있다

각종 형식의 패턴 식별, 특히 기계 학습은 이미 각종 현대 기술에 광범위하게 응용되었다.데이터 중의 패턴을 발견함으로써 기계 학습은 이러한 패턴을 이해할 수 있는 정보로 바꿀 수 있는데, 예를 들면, 자동 운전 자동차의 행진 경로에 있는 물체를 식별하거나 침입자의 열 특징을 식별하는 등이다.

기계 학습과 유사한 방식으로,"비축 풀 컴퓨팅"(reservoir computing) 이라는 새로운 프레임워크는 데이터에서 패턴을 학습하는 데 사용할 수 있습니다.이 계산 형식의 관건은 복잡한 시스템을 채택하여 이 시스템을 통해 정보를 중복 계산하는 것이다.이 모든 것은 동력 시스템 또는"비축 풀"을 사용하여 패턴 인식 작업을 수행하는 순환 신경 네트워크 (RNN) 를 통해 수행 될 수 있습니다.

그러나 전통적인 RNN은 대량의 독립적이고 서로 련결된 노드 또는 여러개의 매개 변수를 가진 뉴런으로 구성되여 이런 시스템이 서툴고 훈련하기 어려우며 심지어 높은 에네르기소모를 초래하여 응용을 저애하게 된다.비축지 계산은 임의로 매개변수를 선택하고 출력 노드만 훈련함으로써 이 점을 간소화하고 복잡성을 크게 줄인다.

최근의 연구는 패턴 인식 작업을 수행 할 수있는 물리적 기반을 사용하여 비축 풀 컴퓨팅을 수행하는 것으로 전환되었습니다.이러한 재료가 충분히 복잡하고 비선형 (수입의 변화가 반드시 출력의 변화와 같지는 않음) 이며 점점 약해지는 기억 특성을 가지고 있다. 즉 이 시스템은 시간이 지남에 따라 과거에 입력한 신호를 회상하는 능력이 점차 약해지면 비축 풀의 역할을 발휘할 수 있다.